צריך logging מלא של כל שלב, כל החלטה, כל קריאת כלי. הכל היה הנדסת תוכנה — הגדרת state, חיבור כלים, ניהול זרימה. לכל אחד יתרונות וחסרונות — ולפעמים הבחירה הנכונה היא לשלב ביניהם. לזה צריך מעבדה, מנטורים ופרויקטים אמיתיים. אי אפשר ללמוד ממנו איך לבנות סוכן שלא "הוזה" (hallucination), שלא נתקע בלולאות אינסופיות, ושבאמת עושה מה שביקשתם ממנו בסביבת production.

• אלה היו מוצרים בשוליים — לא נגעו במערכות הליבה, לא קיבלו החלטות, לא ביצעו פעולות בעלות השפעה כספית או תפעולית.
• כל מה שצריך זה להשקיע באותן תכונות שהופכות אתכם לבני אדם.
• אין מערכות לחבר, אין הרשאות מקבילות, אין דאטה לסנכרן — הכל באותה שכבה.
• הודעה ב-Slack סיכמה את מה שקרה, עם לינק ל-log מלא של כל הפעולות שהסוכן ביצע.
• לא צריך להמציא את הגלגל — צריך לדעת איך להרכיב אותו נכון לצרכים שלכם.
• הביקוש הוא למפתחי backend ו-DevOps שיודעים לשלב סוכנים בתוך מערכות קיימות.

פיילוטים שמוכיחים ערך תוך 30 יום

שנית, יש שלב verification — הסוכן לא סוגר incident בלי לוודא שהתיקון באמת עבד. שימו לב לכמה דברים קריטיים בקוד הזה. עם guardrails נכונים — הוא השותף הכי אמין שיש לכם.

Agentic AI בהייטק הישראלי: מה באמת קורה בשטח

בגדול, AI שלא רק עונה על שאלות אלא פועל. תתחילו עם התיעוד של LangGraph, תבנו סוכן פשוט שעושה משימה אחת, ותתקדמו משם. וזה לא סתם תשובה מנחמת — זו תשובה טכנית. מעבר לפייתון, צריך הבנה טובה ב-API design, ניסיון עם כלי DevOps (kubectl, Docker, CI/CD), והבנה בסיסית של אדריכלות מערכות מבוזרות. ותתחילו קטן — סוכן אחד, משימה אחת, כלי אחד. זה כשאף אחד לא שואל "מה קורה אם הסוכן טועה?" כי כולם נלהבים מדי מהדמו.

הרקע: צוות DevOps קטן, מערכת גדולה

אם יותר אנשים היו זוכים הלוטו אולי לא היה מרוויח. בפוסט היום נתבונן בפונקציה אחת מתוך הקוד ונאתר בה מספר Anti Patterns, כלומר תבניות קוד שליליות שאני מזהה שחוזרות בצורות שונות בקוד AI. החשיבות של משימה כזו היא לצורך טיפול בהודעה חלקית, כלומר אם כל החלקים הגיעו אז החלק האחרון יאסוף את כולם ויחבר אותם להודעה אחת. סך top AI development company in Israel הכל זה חמוד שהם עושים לעצמם פרסומת למרות שצריך להגיד את האמת המודל שעשה את התיקון היה חיקוי סיני בשם qwen ולא קלוד אופוס. כן כדאי להקפיד לבקש מהסוכן כשצריך שישים לב כשיש קומפוננטה לשימוש חוזר ויבנה אותה בצד בתור קומפוננטה נפרדת. בינתיים דוגמת הקומפוננטה של הגיטרה לימדה אותי שמאוד נוח כשהסוכן בונה מאפס את הרכיב המדויק שאני צריך.

העולם מתקדם מהר, ומי שלא מאמץ AI נשאר מאחור

CrewAI מריצה מערכות עם מיליוני אינטראקציות ביום. היום LangGraph ב-production ב-מאות חברות. זה כמו ללמד מישהו אחד בצוות מה זה Git ולצפות שכולם יעבדו עם branches. לא צריך להמציא את הגלגל — צריך לדעת איך להרכיב אותו נכון לצרכים שלכם. שלישית, זיכרון (Memory) — שמירת הקשר בין שלבים, כדי שהסוכן לא "ישכח" מה כבר עשה.

הסוכן בפרודקשן: מה שלא מלמדים ב-tutorials

בקורס מתקדם לומדים גם human-in-the-loop — עצירה אוטומטית של הסוכן כשהוא לא בטוח, ובקשת אישור מאנושי. צריך אסטרטגיית caching, בחירת מודלים חכמה (מודל זול לשלבים פשוטים, מודל חזק לשלבים קריטיים), ו-batching. Guardrails — מגבלות קשיחות על מה הסוכן יכול ומה לא יכול לעשות — הם לא אופציה, הם חובה. הפער הזה הוא בדיוק מה שקורס מקצועי צריך לגשר עליו. לצוותים שרוצים שליטה מלאה ומתכוונים לייצר מערכות מורכבות — LangGraph הוא הבחירה.

זיכרון (Memory) — הסוכן שומר הקשר לאורך השיחה או המשימה. כלים (Tools) — פונקציות קונקרטיות שהסוכן יכול להפעיל. זו לא תחזית — זו מגמה שכבר במומנטום. כי יש כאן בלבול גדול בשוק, ואני רואה את זה כל יום — אנשים שמערבבים בין מושגים ומפספסים את התמונה הגדולה.

Production Engineer

דום סקרולינג זה השם שנתנו לרשתות חברתיות בהן אנשים גוררים עוד ועוד בשביל הסיכוי הקטן לקרוא משהו מעניין. אני בטוח שהכוונות שלהם טובות אבל אני נזכר בכל הפעמים שמודל שפה דמיין רמזים בלוגים על בסיס נתוני האימון שלו, רמזים שרק הובילו עמוק יותר למחילת הארנב. אנחנו מבינים ש LLM הוא מכונת השלמה ושהטקסט שהוא יכתוב הוא תוצאה של הפרומפט ושל נתוני האימון שלו, בתוספת תיבול סטטיסטי.

בחברה שמגייסת 5 אנשים בחודש – שעות בחודש. מי שלא – נשאר מאחור. ואם משהו לא עובד, הוא מנסה גישה אחרת. הוא לא רק מבצע – הוא חושב מה לעשות, ואז עושה. בלי שבן אדם מחזיק לו את היד בכל צעד. מקבל משימה, מפרק אותה לתת-משימות, משתמש בכלים, מקבל החלטות ביניים, ומגיע לתוצאה.

בפרק הקודם עסקנו בעולם הסוכנים המשרתים את המשתמש הבודד — מפתח, יזם, עובד שמתקין משהו על המחשב שלו. צריך סקרנות, נכונות ללכלך ידיים, וסביבת לימוד שלא מסתפקת בדמואים. כל אחד מהסיכונים האלה ניתן לפתרון — guardrails, rate limiting, input sanitization, cost caps, ו-least privilege permissions. לצוותים שרוצים שליטה מלאה ומתכננים לבנות מערכות מורכבות — LangGraph.